La course de l'IA entre la Chine et les États-Unis vers le point critique de 2027, pourquoi Monad ?
TechFlow SélectionTechFlow Sélection
La course de l'IA entre la Chine et les États-Unis vers le point critique de 2027, pourquoi Monad ?
Monad est le choix incontournable pour les projets de blockchain et d'IA développés avec Build.
Dédié à des analyses Web3 approfondiesAuteur : Harvey C
Depuis l'année dernière, l'enthousiasme mondial pour l'intelligence artificielle ne cesse de croître. Que ce soit les géants technologiques à l'étranger ou les instituts de recherche nationaux, tous augmentent frénétiquement leurs investissements dans les modèles d'IA et accélèrent leurs rythmes de publication.
Aujourd'hui, nous allons discuter du vaste potentiel et des opportunités futures de l'IA en examinant la course actuelle entre les États-Unis et la Chine, les jalons attendus pour 2027, ainsi que les raisons pour lesquelles les projets d'IA devraient être construits sur Monad.
1. La course IA entre la Chine et les États-Unis : des progrès fulgurants malgré les contraintes de puissance de calcul
Ces dernières années, l'interdiction américaine d'exporter des puces destinées au calcul vers l'industrie chinoise de l'IA a suscité une attention internationale. Pourtant, en réalité, le « goulot d'étranglement matériel » n'a pas ralenti autant qu'on pouvait le craindre les recherches chinoises. En comparant récemment les vitesses d'itération des grands modèles aux États-Unis et en Chine, on constate que l'écart s'est réduit à quelques mois, voire moins.
-
La force des poursuivants : OpenAI a lancé son modèle « o1-preview » il y a seulement quatre mois, et la version finale d'o1 est sortie il y a un mois. À peu près au même moment, la Chine continentale a produit des modèles de raisonnement comparables en performance. DeepSeek, la société de grands modèles appartenant au géant quantitatif Fantuan, a publié un modèle de raisonnement open source appelé DeepSeek-R1, qui rivalise avec o1 sur plusieurs indicateurs, voire surpassant ce dernier dans certains scénarios personnalisés grâce à une meilleure adaptation locale. Précédemment, la sortie de DeepSeek-V3 avait déjà fait ressentir à Llama 4 la pression d'un dépassement oriental. Par ailleurs, Kimi a lancé un nouveau modèle d'apprentissage par renforcement, k1.5, premier modèle multimodal similaire à o1 après OpenAI, capable de réaliser un raisonnement conjoint sur texte et image.
-
L'explosion du multimodal vocal : le mode vocal avancé de GPT-4o de Douyin (« Bean Pack »), concurrent direct de Gemini 2.0 et GPT-4o, est également apparu rapidement en Chine. Ces technologies étaient auparavant considérées comme exclusives aux systèmes à haute puissance de calcul, mais visiblement, les fabricants chinois ont su contourner ces limites grâce à divers algorithmes d’optimisation, leur permettant d’itérer rapidement même avec une puissance de calcul insuffisante.
Tous ces signes montrent que, même si un écart subsiste en matière de puissance de calcul, les chercheurs chinois suivent de très près les avancées occidentales. Dès lors que les pionniers ont tracé la voie et commis les erreurs initiales, les retardataires peuvent économiser coûteusement ce « coût des heurts ».
2. L’expérience des leaders occidentaux offre aux poursuivants l’opportunité de « copier le travail »
Au cours des années de développement du deep learning, la compréhension de la communauté sur les paradigmes de l’IA a continué d’évoluer. Les grands modèles linguistiques (LLM) sont actuellement à la mode, mais parallèlement, une autre voie — l’apprentissage par renforcement (Reinforcement Learning) — attire de nouveau davantage d’attention.
Évolution des paradigmes de l'IA
-
Les paradigmes de l'IA évoluent avec leur temps : le développement de l'intelligence artificielle comprend plusieurs branches principales. Le symbolisme (IA basée sur la logique) repose sur le raisonnement par règles et la logique formelle, excellant dans les tâches déterministes. Le connexionnisme (réseaux de neurones) imite le fonctionnement du cerveau humain, identifiant des motifs dans les données via des structures en couches. L'IA bayésienne (IA probabiliste) met l'accent sur la modélisation probabiliste de l'incertitude. L'apprentissage par renforcement (RL) optimise les comportements par essais-erreurs dans des environnements dynamiques. L'IA évolutionnaire utilise les principes de sélection naturelle pour faire évoluer des solutions. L'IA hybride combine les forces de plusieurs paradigmes pour créer des systèmes plus puissants et flexibles. Ces paradigmes se succèdent selon les époques.
-
Reproduction rapide et itération : en prenant de l'avance, les Occidentaux permettent à la Chine de suivre rapidement à moindre coût une fois que les modèles sont validés — comme les modèles multimodaux ou ceux de raisonnement similaires à o1. On retrouve ici un schéma familier de l'ère Internet : recherche et développement en Europe et Amérique, commercialisation en Chine. Les chemins ayant déjà été testés (et parfois ratés) outre-Atlantique, les équipes chinoises peuvent reproduire, améliorer, et ainsi réduire drastiquement les délais.
DeepSeek en Chine exerce une forte pression sur ses concurrents américains grâce à un entraînement renforcé à moindre coût
D’un côté, les laboratoires de pointe occidentaux posent les bases de l’exploration avant-gardiste ; de l’autre, les équipes chinoises ne se contentent pas de suivre passivement, mais intègrent activement ces connaissances, trouvant des voies alternatives dans un contexte de ressources limitées, proposant des solutions plus souples et adaptées en apprentissage par renforcement et raisonnement.
3. L'apprentissage par renforcement pourrait bien être la nouvelle percée à court terme
Récemment, le nouveau modèle de DeepSeek remplace la majorité de l'ajustement fin supervisé (SFT) par de l'apprentissage par renforcement, réduisant ainsi sa dépendance à l'annotation de données spécialisées. Cela ouvre la possibilité de généralisation verticale : tant qu'une fonction de récompense claire est définie, le modèle peut continuellement améliorer ses capacités de raisonnement par auto-itération. Dans le partage open source 1, mon modèle explore seul dans un environnement d'apprentissage par renforcement, acquérant ainsi une certaine capacité d'auto-optimisation.
Cela signifie que, pourvu qu'il dispose de suffisamment de puissance de calcul, un modèle peut évoluer continuellement via la voie du RL. Même si les États-Unis imposent des restrictions techniques et matérielles à la Chine, cette approche « alternative » diminue la nécessité de recourir aux traditionnelles ressources massives d'entraînement, offrant ainsi aux chercheurs chinois une voie réaliste pour rattraper rapidement le retard. Cette méthode mérite d'être imitée par toute organisation souhaitant développer ses propres grands modèles.
4. 2027 pourrait marquer le « moment IA », où de nombreux emplois seront remplacés ou redéfinis
Le bond en avant de l'IA nous amène à nous interroger sur sa vitesse et ses limites. Récemment, le PDG d'Anthropic, Dario, a déclaré : « En 2027, nous verrons des modèles dépasser les humains dans la grande majorité des domaines ». Cette prédiction repose sur plusieurs facteurs clés :
-
L'itération continue par apprentissage par renforcement : contrairement à l'approche classique strictement séparée entre « entraînement-test-raisonnement », la nouvelle vague de percées en IA pourrait combiner des méthodes hybrides, notamment l'apprentissage par renforcement, permettant une auto-itération, une « réflexion en ligne » et des mises à jour continues, faisant ainsi grimper rapidement les capacités cognitives des modèles.
-
Le soutien puissant du capital industriel : le fondeur de puces TSMC a récemment indiqué lors de sa conférence résultats que son activité IA connaît un taux de croissance annuel composé d'environ 45 % entre 2024 et 2029, et que d'ici 2029, elle atteindra près de 20 fois son niveau de 2024. Cette demande provient principalement des investissements massifs en puissance de calcul des géants comme OpenAI, présageant une pénétration de l'IA dans presque tous les domaines applicatifs imaginables.
L'IA devient le domaine à la croissance la plus rapide pour TSMC
2027 sera probablement un nœud critique dans l'ascension fulgurante des capacités de l'IA. Autour de cette période, de nombreuses tâches auparavant réservées à l'évaluation et à la créativité humaines seront progressivement remplacées ou redéfinies, entraînant des changements profonds dans la structure sociale et les modèles économiques.
Par exemple, j'apprécie particulièrement la Taxonomie de Bloom, initialement proposée par Benjamin Bloom puis révisée à plusieurs reprises, qui divise la cognition humaine en six niveaux. Avec le développement fulgurant de l'IA, il se pourrait qu'en 2027, les grands modèles soient capables d'accomplir toutes les tâches, y compris celles relevant de l'évaluation et même de la création. Le temps est compté pour l'humanité : que restera-t-il à faire aux humains ? C’est une question qui mérite un autre débat.
Blade Runner (1982)
5. Pourquoi les projets d'IA devraient être développés dans l'écosystème Monad
Revenons au sujet principal. La combinaison de la blockchain et de l'IA reste souvent perçue comme du « battage conceptuel ». Pourtant, je suis convaincu que l'association des projets d'IA aux caractéristiques techniques de Monad peut apporter une valeur d'application unique. Ainsi, Monad est le choix incontournable pour construire des projets d'IA sur blockchain, pour les raisons suivantes :
-
Des données riches provenant de l'EVM : obtenir des données variées et de haute qualité est crucial pour entraîner des modèles plus précis et puissants. L'écosystème basé sur l'EVM a déjà accumulé d'importantes quantités de données contractuelles, transactionnelles et comportementales, fournissant un contexte précieux pour l'entraînement de l'IA. Comparé à certains environnements blockchain encore naissants, l'écosystème EVM, déjà mature, constitue une véritable « mine de données » pour l'entraînement et le raisonnement de l'IA.
-
MonadDB, une base de données adaptée aux données en temps réel : la capture d'informations réseau en temps réel est cruciale pour la pertinence de l'IA, notamment dans le domaine DeFi. La capacité élevée de récupération de données et les frais de gaz réduits de MonadDB offrent un soutien puissant aux modèles pour accéder instantanément aux informations les plus récentes, qu'elles soient on-chain ou off-chain.
-
Un environnement rapide et peu coûteux : Monad atteint un débit de 10 000 transactions par seconde, avec un temps de génération de blocs d'une seconde, créant un environnement favorable à la mise en œuvre d'agents IA via des opérations on-chain telles que transactions, mise en gage ou paiement. L'environnement EVM de Monad fournit un cadre efficace et économique, dotant les agents IA d'outils concrets. Les faibles frais de transaction rendent possibles les « micro-transactions fréquentes », enrichissant ainsi les scénarios d'interaction des agents IA.
-
L'exécution parallèle : des études montrent que la collaboration mixte en IA permet de traiter des tâches plus complexes. L'environnement d'exécution parallèle de Monad permet de faire fonctionner simultanément des « essaims d'agents » (Agentic Swarms) sur la chaîne, favorisant la coopération entre plusieurs modèles.
En résumé, l'objectif est de permettre aux agents IA actuels ou futurs de se développer sur Monad, d'y bénéficier d'une expérience fluide dans l'environnement EVM, d'utiliser les protocoles et infrastructures DeFi existants, et de poser ainsi les bases de la prochaine génération d'expériences IA.
6. Une invitation aux développeurs chinois d'IA
Comme mes collègues Jing et Evan l'ont souligné à plusieurs reprises dans leurs publications X concernant divers articles et cas d'usage liés à l'IA, Monad a toujours chaleureusement accueilli et soutenu les projets d'IA dans son écosystème. Je souhaite maintenant ajouter une perspective spécifique aux développeurs sinophones :
-
Dans le contexte de la compétition sino-américaine en IA, les développeurs chinois peuvent rencontrer des limitations en matière de ressources ou de collaboration transnationales.
-
Cependant, le monde de la blockchain repose sur la décentralisation et la globalisation. Sur Monad, vous pouvez viser un public mondial sans risquer d’être « étiqueté », tout en tirant parti de la décentralisation pour contourner les barrières géopolitiques et technologiques.
Monad invite sincèrement tous les professionnels et développeurs d'IA à rejoindre son écosystème afin de construire ensemble des produits innovants appartenant aux utilisateurs et assurant leur souveraineté. Nous encourageons vivement les entrepreneurs ambitieux à développer sur Monad, et nous nous engageons à vous aider à réussir grâce à divers programmes de soutien, notamment l'evm/accathon actuellement en cours, l'accélérateur Mach, le Jumpstart Program, The Studio, The Foundry, et Monad Madness. Que vous souhaitiez créer un modèle de trading financier IA sur blockchain ou concevoir un robot décentralisé à apprentissage adaptatif, Monad vous offre un soutien technique plus rapide, moins coûteux et plus ouvert.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@Harveycww
